摘要
深度神经网络的性能随着更多标注数据的增加而提升。然而，标注预算有限是一个问题。一种解决方法是主动学习，即模型请求人类对它认为不确定的数据进行标注。近年来，提出了多种将主动学习应用于深度网络的方法，但大多数方法要么针对特定任务设计，要么在大型网络上计算效率低下。本文提出了一种新颖的主动学习方法，该方法简单且与任务无关，并能高效地与深度网络配合工作。我们为目标网络附加了一个小型参数模块，称为“损失预测模块”，并训练该模块预测未标记输入的目标损失。随后，该模块可以建议目标模型可能产生错误预测的数据。由于网络仅从单一损失中学习而不考虑目标任务，因此该方法与任务无关。我们通过图像分类、物体检测和人体姿态估计等任务，并使用最新的网络架构对我们的方法进行了严格验证。结果表明，我们的方法在这几项任务中始终优于先前的方法。